- •Раздел VIII. Теория вероятностей
- •Глава 21. Случайные события
- •21.1. Понятие события
- •21.2. Классическое определение вероятности
- •21.3. Элементы комбинаторики
- •21.4. Геометрическая и статистическая вероятности
- •21.5. Теоремы умножения вероятностей
- •21.6. Вероятность появления хотя бы одного события
- •21.7. Теорема сложения вероятностей
- •21.8. Формула полной вероятности
- •21.9. Формула Байеса (Бейеса)
- •21.10. Повторение испытаний. Формула Бернулли
- •21.11. Локальная теорема Лапласа. Формула Пуассона
- •Формула Пуассона
- •21.12. Интегральная теорема Лапласа
- •Глава 22. Случайные величины
- •22.1. Понятие случайной величины. Закон распределения дискретной случайной величины
- •22.2. Биноминальное, геометрическое и гипергеометрическое распределения Биноминальное распределение
- •Геометрическое распределение
- •Гипергеометрическое распределение
- •22.3. Распределение Пуассона. Простейший поток событий
- •Простейший поток событий
- •22.4. Математическое ожидание дискретной случайной величины и его свойства
- •Вероятностный смысл математического ожидания
- •Свойства м(х)
- •22.5. Дисперсия случайной дискретной величины и ее свойства
- •Свойства дисперсии
- •22.6. Среднее квадратичное отклонение. Начальные и центральные теоретические моменты
- •Начальные и центральные теоретические моменты
- •22.7. Функция распределения вероятностей случайной величины
- •Свойства f(X)
- •22.8. Плотность распределения вероятностей непрерывной случайной величины
- •Свойства f(X)
- •22.9. Числовые характеристики непрерывных случайных величин
- •22.10. Закон равномерного распределения
- •22.11 Нормальное распределение
- •Вероятность попадания в заданный интервал
- •Вычисление вероятности заданного отклонения
- •22.12. Показательное распределение
- •Показательный закон надежности
- •Функция надежности
- •22.13. Закон больших чисел. Лемма Маркова
- •Лемма Маркова (лемма Чебышева)
- •22.14. Неравенство и теорема Чебышева
- •22.15. Теорема Бернулли
- •22.16. Функция одного случайного аргумента и ее распределение
- •Математическое ожидание функции одного случайного аргумента
- •22.17. Закон распределения вероятностей и функция распределения двумерных случайных величин
- •Закон распределения вероятностей дискретной двумерной величины
- •Функции распределения двумерной случайной величины
- •22.18. Вероятность попадания случайной величины в полуполосу и прямоугольник
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Вариационный ряд
- •23.2. Точечные оценки
- •Основные точечные оценки
- •23.3 Интервальные оценки для генеральной средней
- •Интервальные оценки для генеральной средней с известным s
- •Интервальная оценка для генеральной средней с неизвестным s
- •23.4. Интервальные оценки для генеральной дисперсии, среднего квадратического отклонения и генеральной доли
- •Интервальная оценка для генеральной доли
- •Глава 24. Статистическая проверка статистических гипотез
- •24.1. Статистическая проверка статистических гипотез
- •Проверка гипотезы о равенстве двух дисперсий нормальных генеральных совокупностей
- •24.3. Сравнение двух средних нормальных генеральных совокупностей с известными дисперсиями
- •. Сравнение двух средних нормальных генеральных совокупностей с неизвестными дисперсиями
- •24.5. Проверка гипотезы о нормальном законе распределения
- •Глава 25. Элементы теории корреляции.
- •25.1. Понятие корреляционной зависимости
- •25.2 Отыскание параметров выборочного уравнения регрессии по несгруппированным данным
- •25.3. Отыскание параметров выборочного уравнения прямой линии регрессии по сгруппирированным данным Корреляционная таблица
21.4. Геометрическая и статистическая вероятности
Классическое определение вероятности дает возможность рассматривать лишь события, которые распадаются на конечное число равновероятных случаев. Поэтому было построено понятие вероятности для случаев с бесконечным множеством исходов испытания.
Пусть отрезок l
составляет часть отрезка L.На отрезокLнаудачу
поставлена точка, которая может оказаться
в любой точке отрезкаL.
Кроме того, вероятность попадания
токи на отрезокlпропорциональна длине отрезка и не
зависит от его расположения на отрезкеL. Тогда вероятность
попадания точки на отрезокl
:
.
Пусть на плоскости есть область G,
которая содержит областьg.
Площадь областейS
иS
.
В областьGбросается
на удачу точка. Вероятность того, что
точка окажется в областиg,
принимается равной
.
Предполагается, что точка может попасть
в любую точку областиG,
а вероятность попадания точки в областьgпропорциональна ее
площади и не зависит ни от ее расположения,
ни от ее формы.
Аналогично определяется вероятность
попадания точки в объем g
,
содержащийся в объемеG
.
Это – геометрическое определение
вероятности.
Относительная частота (частость)
– отношение числаm
появлений данного событияАк
общему числуn проведенных одинаковых испытаний, в
каждом из которых точно появится или
не появится данное событие:
.
Опыт показывает, что если число испытаний в каждой серии невелико, то относительные частоты в серии могут существенно отличаются. Если же число опытов в сериях велико, то, как правило, относительные частоты отличаются мало. В различных опытах относительная частота изменяется мало, колеблясь около некоторого постоянного числа. Это постоянное число – вероятность события.
При неограниченном увеличении числа опытов nотносительная частота событияА стремится к вероятности событияA.
В основу классического определения вероятности положено понятие равновероятности, которое не такое простое и очередное, как кажется. Например, если игральная кость – неправильный шестигранник из неоднородного металла, то предложение о равновероятности выпадения граней ошибочно. Эти проблемы решаются при статистическом определении вероятности.
Если о событии Аизвестно, что оно может наступить в определенных условиях, которые могут повторяться неограниченное число раз, а в результате достаточно большого числа наблюдений установлено, что его относительная частота колеблется около некоторой (вообще говоря, неизвестной) постоянной величиныp,тоP(А) =p. Это обобщение классического определения.
21.5. Теоремы умножения вероятностей
Произведением (или пересечением) событий АиВназывается событиеС, состоящее в осуществлении и событияА, и событияВ, т.е. С = А . В.
Вероятность события А, найденная в
предположении, что событиеВнаступило, называется условной
вероятностью событияА относительно
событияВ: P
.
Пример.В урне 4 белых и 3 черных шара. Вынимают последовательно 2 шара. Найти вероятность того, что 2 шар черный, при условии, что 1 шар черный.
Событие А– 1 шар черный, событиеВ– 2 шар черный.P
(B)
-?
Если произошло А, то осталось 6 шаров
(4+2),![]()
Теорема .Вероятность произведения
событийАиВравна произведению
вероятности одного из них на условную
вероятность другого относительно
первого:![]()
Доказательство. Пусть из общего
числаnслучаев событиюАблагоприятствуютmслучаев,kслучаев
благоприятствуют событиюВ. Пустьlслучаев благоприятствует
и событиюА и событиюВ.Тогда
,
а условная вероятность событияВотносительно событияАесть Р
,т.к.
вместоnслучаев
остается возможнымmслучаев (событиеА произошло). Тогда![]()
Пример.Среди 25 лампочек 4 нестандартные. Найти вероятность того, что 2 взятые одновременно лампочки окажутся нестандартными.
Событие А – первая лампочка нестандартная, событиеВ– вторая лампочка нестандартная.
P(A) =
.
Тогда
.
События АиВназываютсянезависимыми,если вероятность
одного из них не изменяется при наступлении
другого, т.е.P
.
Иначе –зависимыесобытия.
Теорема. Вероятность произведения
двух независимых событий равно
произведению их вероятностей
.
Пример.Из двух орудий стреляют по цели. Вероятность попадания первого – 0,9, второго – 0,8. Из орудий делают одновременно по одному выстрелу. Найти вероятность того, что будет два попадания в цель.
Событие А– первое попало,В–
второе попало.
СобытияAиBнезависимые, поэтому![]()
